Patrón ReAct

El patrón ReAct (de "Reasoning and Acting", razonar y actuar) es una técnica para construir agentes de IA que combina dos cosas que antes se hacían por separado: el razonamiento paso a paso del modelo y la ejecución de acciones sobre el mundo real, como consultar una base de datos, llamar a una API o buscar un dato. En lugar de responder de un solo tiro, el agente avanza en un bucle de pensar, actuar y observar: piensa qué necesita ("pensamiento"), hace algo concreto ("acción"), mira el resultado ("observación") y vuelve a pensar con esa nueva información, hasta llegar a la respuesta final.

La idea, popularizada por un paper de investigadores de Google y Princeton en 2022, es que entrelazar pensamiento y acción da agentes más confiables: el razonamiento guía qué herramienta usar y los resultados de las herramientas corrigen el razonamiento, lo que reduce errores e inventos. Este bucle es el corazón de la mayoría de los frameworks de agentes actuales y de la IA agéntica que automatiza tareas de negocio, parte de lo que orquestan los agentes de IA sobre los procesos de una empresa.

Cómo funciona el bucle ReAct

Un agente que sigue el patrón ReAct no produce una respuesta de corrido: recorre un ciclo de tres movimientos que se repite hasta cerrar la tarea.

1. Pensamiento (Reasoning): el modelo razona en lenguaje natural sobre qué le falta saber y cuál es el próximo paso. Por ejemplo: "Para responder cuánto facturó este cliente en mayo, primero necesito buscar sus pedidos".
2. Acción (Acting): el agente elige y ejecuta una herramienta disponible (una consulta SQL, una llamada a una API, una búsqueda en un documento). Esto es lo que se conoce como tool calling.
3. Observación: el resultado de esa acción (los datos que devolvió la herramienta) se inserta de vuelta en el contexto del modelo.

Con esa observación, el agente vuelve al paso de pensamiento y decide si ya puede responder o si necesita otra acción. El bucle se repite hasta que el modelo concluye que tiene todo para dar la respuesta final. La diferencia clave con un modelo "a secas" es que ReAct le permite buscar información que no tiene y verificar sus propios supuestos antes de comprometerse con una respuesta.

Por qué importa para un negocio

El valor práctico de ReAct es que convierte a un modelo de lenguaje, que solo predice texto, en algo capaz de operar sobre sistemas reales de forma trazable. Como cada acción queda registrada junto al pensamiento que la motivó, el equipo puede auditar la cadena de decisiones del agente: ver qué consultó, qué obtuvo y por qué llegó a esa conclusión. Esa transparencia es decisiva en contextos B2B donde una respuesta errónea tiene costo (cobranzas, stock, datos de clientes).

Además, el patrón reduce las alucinaciones: en lugar de inventar un número, el agente está incentivado a ir a buscarlo con una herramienta. No las elimina del todo, pero las vuelve mucho menos probables porque la respuesta se apoya en datos observados, no solo en la memoria del modelo.

Ejemplo concreto (LATAM)

Pensemos en una empresa de Consumo Masivo en Argentina con un agente de atención que recibe por WhatsApp: "¿Cuándo llega mi pedido 4821?". Un agente ReAct razonaría así:

• Pensamiento: "Necesito el estado del pedido 4821, está en el sistema de logística".
• Acción: consulta la API de seguimiento con el número de pedido.
• Observación: la API devuelve "en reparto, ETA hoy 18:00".
• Pensamiento: "Ya tengo el dato, puedo responder".
• Respuesta: "Tu pedido 4821 está en reparto y llega hoy antes de las 18 hs".

Sin ReAct, el modelo podría inventar una fecha. Con ReAct, la respuesta sale de un dato real consultado en el momento.

Errores comunes al implementarlo

• Bucles infinitos: si el agente no encuentra la información, puede quedar repitiendo pensamiento y acción sin converger. Por eso se le pone un tope de iteraciones.
• Herramientas mal descritas: si la descripción de cada herramienta es ambigua, el modelo elige mal qué acción tomar. La calidad de ese catálogo importa tanto como el modelo.
• Contexto que se desborda: cada observación suma texto al contexto; en tareas largas se llena la ventana de contexto y el agente "olvida" pasos anteriores.

En qué se diferencia de otros enfoques

ReAct suele compararse con dos alternativas cercanas. Esta tabla resume las diferencias.

Chain of Thought (cadena de pensamiento) mejora el razonamiento pero no puede salir a buscar datos; ReAct le agrega las manos. Por eso ReAct es la base de los agentes que de verdad ejecutan trabajo, no solo conversan. Hoy frameworks como Agentforce y los motores de razonamiento detrás de la IA agéntica implementan variantes de este bucle, a veces combinándolo con planificación previa o con varios agentes coordinados.